基于遥感大数据的植被物候反演方法改进：对象异质性、指标优选和产品精度
文献类型：学位论文
| 作者 | 杨吉林 |
| 答辩日期 | 2023-05 |
| 文献子类 | 博士后出站报告 |
| 授予单位 | 中国科学院地理科学与资源研究所 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 董金玮 ; 张扬建 |
| 关键词 | 地表物候 植被指数 Landsat和Sentinel-2融合 30米物候产品 太阳诱导叶绿素荧光SIF |
| 学位名称 | 博士后 |
| 学位专业 | 生态学 |
| 英文摘要 | 基于遥感的植被指数数据（Vegetation Index；VIs）已经开发出大尺度地表物候（Land Surface Phenology；LSP）信息。LSP有助于理解陆地生态系统对气候变化的响应、植被和作物类型的识别以及生态模型的构建。然而，基于粗分辨率数据（≥500米）的现有研究在空间异质性较高和存在多熟制度（如中国）的地区表现不佳。鉴于大多数基于10米/30米分辨率的物候研究主要集中在北美和欧洲，发展中国的地表物候数据是迫切的。更重要的是，现有的30米物候产品主要适用于具有单一植被周期的植被类型，但对于季节变化复杂的生物群落（如多个生长周期）效果不佳。此外，由于使用不同的VIs和算法，关于生长季开始日（SOS）和结束日（EOS）的LSP数据产品存在较大的差异和不确定性。 21世纪以来，海量遥感数据成为地表物候遥感反演的重要数据源和手段，迅速发展的云存储和云计算平台为地表物候监测提供了新机遇。因此，在遥感大数据与云计算背景下，本研究面向植被物候反演方法改进，首先基于Google Earth Engine平台，开发了一个适合全植被类型的30米统一地表物候算法，能够顾及不同植被类型季节特征，实现自适应物候反演，并基于算法制备了一套中国2016–2021年地表物候产品（LSP30CHN）；在此基础上，结合遥感观测的太阳诱导叶绿素荧光(SIF)数据我们率先评估了冠层结构和功能指标在地表物候反演的不确定性和差异机制，确定了物候反演的优选指标，实现了地表物候反演在对象异质性、指标优选和产品精度等方面的提升。主要结论如下： （1）LSP30CHN数据与地面观测和卫星提取的LSP数据之间具有较高的准确性。在均质区域，LSP30CHN数据与500米分辨率的MODIS物候产品（MCD12Q2）呈现出一致的模式，但有更为详细的空间细节。随着地表破碎化程度的增加，LSP30CHN与MCD12Q2之间的物候差异也逐渐增大，这表明LSP30CHN数据在揭示破碎化景观上的物候信息方面具有较大潜力。与此相比，500米分辨率的LSP数据无法提供如此详细的信息，特别是在存在混合种植结构（如玉米、水稻和大豆）和多重种植指数（如单季和双季种植系统）的地区。 （2）SIF和VIs在SOS方面存在相对较小的差异，但在EOS方面存在较大差异，VIs得出的生长季长度比SIF估计的长达两个月。这些差异结果在MCD43、MOD09和TROPOMI三个产品中是一致的，即使在排除了太阳照明和视角两个不匹配因素之后，EOS的差异仍然存在。此外，我们还发现基于VIs的EOS发生在冰点以下，而基于SIF的EOS发生在冰点以上，表明基于SIF的EOS在生理上更有意义。 |
| 语种 | 中文 |
| 页码 | 136 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/199913]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 杨吉林. 基于遥感大数据的植被物候反演方法改进：对象异质性、指标优选和产品精度[D]. 中国科学院地理科学与资源研究所. 中国科学院地理科学与资源研究所. 2023. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。